CN117078626A - 一种基于计算机视觉的激光损伤自动判断方法 - Google Patents
一种基于计算机视觉的激光损伤自动判断方法 Download PDFInfo
- Publication number
- CN117078626A CN117078626A CN202311046277.3A CN202311046277A CN117078626A CN 117078626 A CN117078626 A CN 117078626A CN 202311046277 A CN202311046277 A CN 202311046277A CN 117078626 A CN117078626 A CN 117078626A
- Authority
- CN
- China
- Prior art keywords
- laser
- image
- radiation
- classifier
- radiation image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005855 radiation Effects 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000002135 phase contrast microscopy Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及激光损伤检测,具体涉及一种基于计算机视觉的激光损伤自动判断方法,采集待测元件的激光辐射前图像、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理;基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,并采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动;基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标;将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤;本发明提供的技术方案能够有效克服现有技术所存在的无法准确、高效地判断光学元件是否出现激光损伤,并直观地反映激光损伤检测结果的缺陷。
Description
技术领域
本发明涉及激光损伤检测,具体涉及一种基于计算机视觉的激光损伤自动判断方法。
背景技术
激光损伤阈值是衡量光学元件抗激光损伤能力的重要参数之一,而能否准确地判断光学元件是否出现激光损伤则是光学元件激光损伤阈值测试的关键。因此,为了确定光学元件的激光损伤阈值,需要一种检测光学元件经过激光辐射后是否出现激光损伤的方法。
对于激光损伤的检测,最初采用的方法是相衬显微镜法和等离子体闪光法。相衬显微法是国际标准ISO 11254提出的一种标准检测方法,其检测结果相对准确,但是工作量大、耗时长、效率低。而等离子体闪光法在检测过程中受人为因素的影响较大,并且不同材质的光学元件受到激光损伤时产生闪光情况也不相同。
后来,业内以光学元件的光学性能是否发生改变作为标准,提出了多种具体的检测方法,如散射光强法、光热偏转法和光声法等,但是这些方法在直观性方面存在较大的局限性。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于计算机视觉的激光损伤自动判断方法,能够有效克服现有技术所存在的无法准确、高效地判断光学元件是否出现激光损伤,并直观地反映激光损伤检测结果的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于计算机视觉的激光损伤自动判断方法,包括以下步骤:
S1、采集待测元件的激光辐射前图像、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理;
S2、基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,并采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动;
S3、基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标;
S4、将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤。
优选地,S1中采集待测元件的激光辐射前图像、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理,包括:
采用3*3的模板,移动该模板使得模板中心点与图像中各像素点重合;
获取模板覆盖区域内的像素灰度值,从小到大排序后取出中间位置的像素灰度值,将中间位置的像素灰度值赋予模板中心点处的像素点。
优选地,S2中基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,包括:
选取一个以图像中心为中心点的矩形区域作为感兴趣区域ROI;
其中,感兴趣区域ROI的长为原始图像长度的一半,感兴趣区域ROI的宽为原始图像宽度的一半。
优选地,S2中采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动,包括:
设置一个300像素*300像素的滑动窗口,以80为步长分别从激光辐射前图像、激光辐射后图像中的感兴趣区域ROI的左上角开始,按照从左到右、从上到下的顺序依次截取激光辐射前图像、激光辐射后图像中的局部窗口图像。
优选地,S3中基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标,包括:
采用下式计算各滑动窗口中对应的局部窗口图像之间的相似度指标SSIM:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ-λ·meanDiff
其中,x、y分别为激光辐射前图像、激光辐射后图像中的局部窗口图像信号;l(x,y)为亮度函数,c(x,y)为对比度函数,s(x,y)为结构信息函数,α、β、γ分别为用于调整亮度、对比度、结构信息在相似度评估中所占比重的系数,α、β、γ均大于0;
meanDiff为相似度评估中的惩罚项,meanDiff=|μy-μx|,μx为激光辐射前图像中的局部窗口图像的灰度均值,xi为激光辐射前图像中的局部窗口图像的第i个像素点的灰度,μy为激光辐射后图像中的局部窗口图像的灰度均值,/>yi为激光辐射后图像中的局部窗口图像的第i个像素点的灰度,N为激光辐射前图像、激光辐射后图像中的局部窗口图像的像素点数量,λ为惩罚项系数,λ=0.01。
优选地,所述亮度函数l(x,y)定义为:
所述对比度函数c(x,y)定义为:
所述结构信息函数s(x,y)定义为:
其中,σx为激光辐射前图像中的局部窗口图像的灰度标准差,σy为激光辐射后图像中的局部窗口图像的灰度标准差,σxσy为激光辐射前图像、激光辐射后图像中的局部窗口图像之间的灰度协方差,/>
C1、C2、C3分别为避免分母为0的常数,C1=(K1L)2,C2=(K2L)2,K1=0.01,K2=0.03,L=255。
优选地,S4中将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤,包括:
根据各滑动窗口中对应的所有局部窗口图像之间的最小相似度指标SSIMmin构建分类器,并将最小相似度指标SSIMmin输入分类器;
当最小相似度指标SSIMmin<0.8时,分类器输出待测元件出现激光损伤的判断结果,否则分类器输出待测元件未出现激光损伤的判断结果。
(三)有益效果
与现有技术相比,本发明所提供的一种基于计算机视觉的激光损伤自动判断方法,采集待测元件的激光辐射前图像、激光辐射后图像,使用空间域中值滤波器减小背景噪声干扰后,通过快速搜索策略定位到待测元件的可能损伤位置,结合相似度测量模型并构建分类器来准确、高效地判断光学元件经过激光辐射后是否出现激光损伤,并且能够直观地反映激光损伤检测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于计算机视觉的激光损伤自动判断方法,如图1所示,①采集待测元件的激光辐射前图像(即未出现激光损伤的标准图像)、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理,具体包括:
采用3*3的模板,移动该模板使得模板中心点与图像中各像素点重合;
获取模板覆盖区域内的像素灰度值,从小到大排序后取出中间位置的像素灰度值,将中间位置的像素灰度值赋予模板中心点处的像素点。
上述技术方案,通过空间域中值滤波器对激光辐射前图像、激光辐射后图像进行预处理,能够有效减小背景噪声干扰,同时能够有效减弱目标边界的模糊效应。
②基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,并采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动。
1)基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,包括:
选取一个以图像中心为中心点的矩形区域作为感兴趣区域ROI;
其中,感兴趣区域ROI的长为原始图像长度的一半,感兴趣区域ROI的宽为原始图像宽度的一半。
2)采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动,包括:
设置一个300像素*300像素的滑动窗口,以80为步长分别从激光辐射前图像、激光辐射后图像中的感兴趣区域ROI的左上角开始,按照从左到右、从上到下的顺序依次截取激光辐射前图像、激光辐射后图像中的局部窗口图像。
上述技术方案,在对激光辐射前图像、激光辐射后图像进行预处理后,利用快速滑动窗口机制进行局部窗口图像的处理。由于实际应用中,激光辐射的位置通常位于光学元件的中心,即位于图像视野的中心,所以选取一个以图像中心为中心点的矩形区域作为感兴趣区域ROI,激光辐射前图像、激光辐射后图像中的感兴趣区域ROI即包括待测元件的可能损伤位置。
③基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标,具体包括:
采用下式计算各滑动窗口中对应的局部窗口图像之间的相似度指标SSIM:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ-λ·meanDiff
其中,x、y分别为激光辐射前图像、激光辐射后图像中的局部窗口图像信号;l(x,y)为亮度函数,c(x,y)为对比度函数,s(x,y)为结构信息函数,α、β、γ分别为用于调整亮度、对比度、结构信息在相似度评估中所占比重的系数,α、β、γ均大于0;
meanDiff为相似度评估中的惩罚项,meanDiff=|μy-μx|,μx为激光辐射前图像中的局部窗口图像的灰度均值,xi为激光辐射前图像中的局部窗口图像的第i个像素点的灰度,μy为激光辐射后图像中的局部窗口图像的灰度均值,/>yi为激光辐射后图像中的局部窗口图像的第i个像素点的灰度,N为激光辐射前图像、激光辐射后图像中的局部窗口图像的像素点数量,λ为惩罚项系数,λ=0.01。
具体地,亮度函数l(x,y)定义为:
对比度函数c(x,y)定义为:
结构信息函数s(x,y)定义为:
其中,σx为激光辐射前图像中的局部窗口图像的灰度标准差,σy为激光辐射后图像中的局部窗口图像的灰度标准差,σxσy为激光辐射前图像、激光辐射后图像中的局部窗口图像之间的灰度协方差,/>
C1、C2、C3分别为避免分母为0的常数,C1=(K1L)2,C2=(K2L)2,K1=0.01,K2=0.03,L=255。
④将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤,具体包括:
根据各滑动窗口中对应的所有局部窗口图像之间的最小相似度指标SSIMmin构建分类器,并将最小相似度指标SSIMmin输入分类器;
当最小相似度指标SSIMmin<0.8时,分类器输出待测元件出现激光损伤的判断结果,否则分类器输出待测元件未出现激光损伤的判断结果。
理论上,各滑动窗口中对应的局部窗口图像之间的相似度指标SSIM的取值范围为0~1,相似度指标SSIM越接近0,说明待测元件出现激光损伤的概率越大。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于计算机视觉的激光损伤自动判断方法,其特征在于:包括以下步骤:
S1、采集待测元件的激光辐射前图像、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理;
S2、基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,并采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动;
S3、基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标;
S4、将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤。
2.根据权利要求1所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:S1中采集待测元件的激光辐射前图像、激光辐射后图像,并对激光辐射前图像、激光辐射后图像进行预处理,包括:
采用3*3的模板,移动该模板使得模板中心点与图像中各像素点重合;
获取模板覆盖区域内的像素灰度值,从小到大排序后取出中间位置的像素灰度值,将中间位置的像素灰度值赋予模板中心点处的像素点。
3.根据权利要求2所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:S2中基于待测元件的可能损伤位置确定激光辐射前图像、激光辐射后图像中的感兴趣区域,包括:
选取一个以图像中心为中心点的矩形区域作为感兴趣区域ROI;
其中,感兴趣区域ROI的长为原始图像长度的一半,感兴趣区域ROI的宽为原始图像宽度的一半。
4.根据权利要求3所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:S2中采用滑动窗口沿着激光辐射前图像、激光辐射后图像中的感兴趣区域同步移动,包括:
设置一个300像素*300像素的滑动窗口,以80为步长分别从激光辐射前图像、激光辐射后图像中的感兴趣区域ROI的左上角开始,按照从左到右、从上到下的顺序依次截取激光辐射前图像、激光辐射后图像中的局部窗口图像。
5.根据权利要求4所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:S3中基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标,包括:
采用下式计算各滑动窗口中对应的局部窗口图像之间的相似度指标SSIM:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ-λ·meanDiff
其中,x、y分别为激光辐射前图像、激光辐射后图像中的局部窗口图像信号;l(x,y)为亮度函数,c(x,y)为对比度函数,s(x,y)为结构信息函数,α、β、γ分别为用于调整亮度、对比度、结构信息在相似度评估中所占比重的系数,α、β、γ均大于0;
meanDiff为相似度评估中的惩罚项,meanDiff=|μy-μx|,μx为激光辐射前图像中的局部窗口图像的灰度均值,xi为激光辐射前图像中的局部窗口图像的第i个像素点的灰度,μy为激光辐射后图像中的局部窗口图像的灰度均值,/>yi为激光辐射后图像中的局部窗口图像的第i个像素点的灰度,N为激光辐射前图像、激光辐射后图像中的局部窗口图像的像素点数量,λ为惩罚项系数,λ=0.01。
6.根据权利要求5所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:所述亮度函数l(x,y)定义为:
所述对比度函数c(x,y)定义为:
所述结构信息函数s(x,y)定义为:
其中,σx为激光辐射前图像中的局部窗口图像的灰度标准差,σy为激光辐射后图像中的局部窗口图像的灰度标准差,/>σxσy为激光辐射前图像、激光辐射后图像中的局部窗口图像之间的灰度协方差,
C1、C2、C3分别为避免分母为0的常数,C1=(K1L)2,C2=(K2L)2,K1=0.01,K2=0.03,L=255。
7.根据权利要求5所述的基于计算机视觉的激光损伤自动判断方法,其特征在于:S4中将相似度指标输入分类器,根据分类器输出结果判断待测元件是否出现激光损伤,包括:
根据各滑动窗口中对应的所有局部窗口图像之间的最小相似度指标SSIMmin构建分类器,并将最小相似度指标SSIMmin输入分类器;
当最小相似度指标SSIMmin<0.8时,分类器输出待测元件出现激光损伤的判断结果,否则分类器输出待测元件未出现激光损伤的判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311046277.3A CN117078626A (zh) | 2023-08-18 | 2023-08-18 | 一种基于计算机视觉的激光损伤自动判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311046277.3A CN117078626A (zh) | 2023-08-18 | 2023-08-18 | 一种基于计算机视觉的激光损伤自动判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078626A true CN117078626A (zh) | 2023-11-17 |
Family
ID=88719018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311046277.3A Pending CN117078626A (zh) | 2023-08-18 | 2023-08-18 | 一种基于计算机视觉的激光损伤自动判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078626A (zh) |
-
2023
- 2023-08-18 CN CN202311046277.3A patent/CN117078626A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN117197141B (zh) | 一种汽车零部件表面缺陷检测方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN113781415B (zh) | 一种x射线图像的缺陷检测方法、装置、设备及介质 | |
KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
CN110503634B (zh) | 基于图像自动识别的能见度测量方法 | |
Liu et al. | Automatic detection and segmentation of laser stripes for industrial measurement | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN108320799A (zh) | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN115375675B (zh) | 一种基于图像数据的煤炭质量检测方法 | |
CN117078626A (zh) | 一种基于计算机视觉的激光损伤自动判断方法 | |
US10241000B2 (en) | Method for checking the position of characteristic points in light distributions | |
Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
CN113052796A (zh) | 通过图像算法检出喷涂瑕疵的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |